이 과정에서는 먼저 데이터에 관해 논의하면서 데이터 품질을 개선하고 탐색적 데이터 분석을 수행하는 방법을 알아봅니다. Vertex AI AutoML과 코드를 한 줄도 작성하지 않고 ML 모델을 빌드하고, 학습시키고, 배포하는 방법을 설명합니다. 학습자는 Big Query ML의 이점을 이해할 수 있습니다. 그런 다음, 머신러닝(ML) 모델 최적화 방법과 일반화 및 샘플링으로 커스텀 학습용 ML 모델 품질을 평가하는 방법을 다룹니다.
Overview
Syllabus
- 소개
- 이 모듈은 과정 및 과정 목표에 대한 개요를 제공합니다.
- 데이터에 대해 알아보기: 탐색적 데이터 분석을 통한 데이터 품질 개선
- 이 모듈에서는 데이터 품질을 개선하는 방법과 탐색적 데이터 분석을 통해 데이터를 탐색하는 방법을 알아봅니다. 머신러닝에서 정리된 데이터가 중요한 까닭과 데이터 품질에 미치는 영향을 살펴봅니다. 예컨대 누락된 값은 결과를 왜곡할 수 있습니다. 아울러 데이터 탐색의 중요성도 배웁니다. 데이터를 깔끔하게 정리하고 나면 데이터 세트에 대해 탐색적 데이터 분석을 수행합니다.
- 머신러닝의 실제 사용 사례
- 이 모듈에서는 ML 실무자가 빠르게 성장할 수 있도록 머신러닝의 주요 유형 몇 가지를 소개합니다.
- Vertex AI를 사용한 AutoML 모델 학습
- 이 모듈에서는 Vertex AI를 사용하여 AutoML 모델을 학습시키는 방법을 알아봅니다.
- BigQuery Machine Learning: 데이터가 위치한 곳에서 ML 모델 개발
- 이 모듈에서는 BigQuery ML과 그 기능을 소개합니다.
- 최적화
- 이 모듈에서는 ML 모델을 최적화하는 방법을 알아봅니다.
- 일반화 및 샘플링
- 이번에는 다소 이상한 질문을 살펴보겠습니다. 정확도가 가장 높은 머신러닝 모델이 적합하지 않은 때는 언제일까요? 직전의 최적화 모듈에서 암시했듯 학습 데이터 세트에 대한 모델의 손실 함수가 0이라고 해서 실제로도 함수가 새로운 데이터에서 제대로 작동하는 것은 아닙니다. 반복 가능한 학습, 평가, 테스트 데이터 세트를 생성하고 성능 벤치마크를 설정하는 방법을 배워보겠습니다.
- 요약
- 이 모듈은 머신러닝 시작하기 과정을 요약한 것입니다.
Taught by
Google Cloud Training
